Python
Python ist einfach zu schreiben und leicht auf subtile Weise falsch. Dies deckt die Fallstricke ab, die stillschweigend fehlschlagen, sowie das Projekt-Setup, das eine fehlerhafte Umgebung vermeidet.
Fallstricke, die stillschweigend fehlschlagen
Veränderliche Standardargumente werden einmalig bei der Definition ausgewertet und von jedem Aufruf gemeinsam genutzt:
def add(item, bucket=[]): # falsch: bucket bleibt über Aufrufe hinweg erhalten
def add(item, bucket=None): # richtig
bucket = [] if bucket is None else bucket
Closures binden spät. Ein Lambda, das in einer Schleife erstellt wird, erfasst die Variable, nicht ihren Wert, sodass jedes Lambda den endgültigen Wert sieht. Binde es explizit mit einem Standardargument oder verwende functools.partial.
is prüft Identität, nicht Gleichheit. Es funktioniert für None, True und False – und sonst für nichts. Es scheint für kleine Integer und kurze Strings zu funktionieren, weil diese interiert werden, was genau der Grund ist, warum der Fehler das Testen überlebt.
Kopien sind flach. list(xs), xs[:] und dict(d) kopieren den Container und teilen die Elemente. Verschachtelte Strukturen benötigen copy.deepcopy.
Ein bloßes except: fängt alles, einschließlich KeyboardInterrupt und SystemExit. Fange die spezifische Ausnahme ab und schreibe niemals except Exception: pass – wenn sie wirklich ignorierbar ist, protokolliere sie und erkläre warum.
Ganzzahldivision und Float-Gleichheit. / erzeugt immer einen Float; // rundet gegen negativ unendlich, daher ist -7 // 2 gleich -4. Vergleiche Floats niemals mit ==; verwende math.isclose oder Decimal für Geldbeträge.
Das Durchlaufen einer Sammlung während ihrer Mutation überspringt Elemente. Erstelle eine neue Liste oder iteriere über eine Kopie.
Generatoren werden einmal verbraucht. Ein zweiter Durchlauf über denselben Generator liefert nichts, was als leeres Ergebnis und nicht als Fehler erscheint.
Umgebung und Paketierung
Installiere niemals in den Systeminterpreter. Erstelle pro Projekt eine virtuelle Umgebung und aktiviere sie oder lasse uv die Verwaltung übernehmen:
uv venv && uv pip install -e ".[dev]" # oder: python -m venv .venv
Deklariere Abhängigkeiten in pyproject.toml und committe eine Sperrdatei, damit die Umgebung reproduzierbar ist. Eine requirements.txt ohne festgelegte Versionen ist nicht reproduzierbar und wird auf einem zukünftigen Rechner brechen.
Lege die Python-Version fest, die das Projekt unterstützt, und gib sie in pyproject.toml an. Das Verhalten unterscheidet sich zwischen Nebenversionen mehr, als man erwartet.
Wenn ein Import an einer Stelle funktioniert und an einer anderen nicht, liegt die Ursache fast immer am Interpreter und nicht am Code. Überprüfe which python und python -c "import sys; print(sys.executable)", bevor du den Import debuggst.
Typen
Kommentiere Funktionssignaturen – Parameter und Rückgabetyp. Der Rumpf benötigt selten Anmerkungen; die Grenze jedoch immer, denn darauf verlässt sich anderer Code.
Führe einen Typprüfer in der CI aus. Anmerkungen, die von nichts überprüft werden, veralten und werden zu irreführender Dokumentation.
Verwende X | None anstelle einer bloßen optional-ohne-Kennzeichnung und mache die Optionalität in der Signatur sichtbar. Bevorzuge spezifische Typen gegenüber Any; wenn der Typ wirklich unbekannt ist, verwende das Äquivalent von unknown – object – und grenze es ein, sodass der Prüfer die Eingrenzung erzwingt.
Für strukturierte Daten bevorzuge ein dataclass oder ein validierendes Modell an der Grenze, wo Daten von außen ankommen. Ein Wörterbuch von Strings, das zwischen Funktionen übergeben wird, verliert jede Garantie beim ersten Tippfehler.
Wichtige Redewendungen
Verwende eine Comprehension, wenn sie abbildet oder filtert, und eine Schleife, wenn sie etwas anderes tut. Eine Comprehension mit einem Seiteneffekt oder drei Klauseln ist schwerer zu lesen als die Schleife, die sie ersetzt.
Verwende pathlib.Path anstelle von String-Pfaden und einen Kontextmanager für alles, was geschlossen werden muss – Dateien, Verbindungen, Sperren, temporäre Verzeichnisse.
Verwende yield from in einem Generator, anstatt eine Liste zu erstellen, wenn die Eingabe groß oder unbegrenzt ist; das ist der Unterschied zwischen einem Skript, das streamt, und einem, das den Speicher erschöpft.
Verwende enumerate, zip und dict.get mit einem Standardwert anstelle von Indexarithmetik und Mitgliedschaftsprüfungen. Sie sind schneller und vermeiden eine Klasse von Off-by-One-Fehlern.
Tests
pytest mit einfachem assert. Verwende @pytest.mark.parametrize für tabellengesteuerte Fälle anstelle einer Schleife innerhalb eines Tests, damit jeder Fall separat gemeldet wird.
Lege gemeinsame Einrichtung in eine Fixtur mit dem engsten gültigen Geltungsbereich. Eine session-weite Fixtur, die veränderlichen Zustand hält, tritt zwischen Tests aus und erzeugt reihenfolgeabhängige Fehler.
Fange die spezifische Ausnahme mit pytest.raises ab, einschließlich der Nachricht, wenn sie wichtig ist.
Leistung, wenn sie zählt
Messe vor der Optimierung – time.perf_counter für einen groben Wert, cProfile für die Details.
Der übliche Gewinn besteht darin, Arbeit aus dem Interpreter zu verlagern: ein Built-in, eine Comprehension, str.join anstelle wiederholter Verkettung, eine set- oder dict-Suche anstelle des Durchscannens einer Liste, oder ein vektorisierter Bibliotheksaufruf für numerische Arbeit.
Für I/O-gebundene Nebenläufigkeit verwende asyncio oder Threads; für CPU-gebundene Arbeit verwende Prozesse, da die globale Interpretersperre (GIL) bedeutet, dass Threads nicht helfen werden.